ძუძუს კიბოს რეციდივის რისკის გამოთვლა ხელოვნური ინტელექტით
ამ სტატიაში
ადრეული სტადიის ძუძუს კიბოს რეციდივის რისკის „უკეთესი“ პროგნოზირება
HR-დადებითი (HR+), HER2-უარყოფითი ადრეული სტადიის ძუძუს კიბო ყველა ძუძუს კიბოს დაახლოებით 70%-ს შეადგენს. კლინიკურ პრაქტიკაში ყველაზე რთული გადაწყვეტილებაა ადიუვანტურ პერიოდში სწორად განვსაზღვროთ, ნამდვილად საჭიროა თუ არა ქიმიოთერაპია . რადგან „ნაკლებმა მკურნალობამ“ შეიძლება რეციდივის რისკი გაზარდოს, ხოლო „ზედმეტმა მკურნალობამ“ არასაჭირო ტოქსიკურობა გამოიწვიოს.
დღეს გამოყენებული გენომური ტესტები (მაგალითად, Oncotype DX) მნიშვნელოვან დანაკლისს ავსებს, თუმცა ჩვეულებრივ AUC 0.75–0.80 დიაპაზონში რჩება და პათოლოგიურ სლაიდებში არსებულ სიმსივნის არქიტექტურის/მიკროგარემოს ინფორმაციას შეზღუდულად იყენებს. RF5-03 პრეზენტაცია წარადგენს ციფრული პათოლოგიის, კლინიკური მონაცემებისა და გენომური ქულების ერთ მოდელში გამაერთიანებელ ღრმა სწავლებაზე დაფუძნებულ ხელოვნური ინტელექტის (AI) მიდგომას პროსპექტული ვალიდაციის მონაცემებით.
შენიშვნა: ეს მასალა სამედიცინო რჩევას არ წარმოადგენს. ინდივიდუალური პროგნოზული გადაწყვეტილებები ონკოლოგიურმა გუნდმა პაციენტის სრული კლინიკური კონტექსტით უნდა მიიღოს.
p<0.001
გენომური ტესტი
უფრო მკაფიო გარჩევა
HR 3.1 (2.5–3.8)
„სად“ და „რა სახით“ წარადგინეს ეს კვლევა?
მიგნებები წარადგინეს San Antonio Breast Cancer Symposium-ის (SABCS) 2025 შეხვედრაზე, Rapid Fire Session 5 სექციაში, RF5-03 კოდით. კონგრესის აბსტრაქტი შევიდა J Clin Oncol დანართში (suppl): J Clin Oncol. 2025;43(suppl 17):RF5-03.
კვლევის დიზაინი
ეს „პრეპარატის კვლევა“ კი არა, პროგნოზული მოდელის კვლევაა. მკვლევრებმა HR+/HER2− ადრეული სტადიის ძუძუს კიბოს მქონე პაციენტების პათოლოგიური სლაიდები გააციფრულეს და მათთან ერთად კლინიკური ინფორმაცია (ასაკი, კვანძების სტატუსი და სხვ.) და გენომური რისკის ქულა იმავე მოდელში შეიყვანეს. მიზანი იყო დაედგინათ, რამდენად კარგად არჩევს მოდელი „მომდევნო 5 წელიწადში რეციდივის ალბათობას“.
სულ გამოიყენეს n=2512 პაციენტი: მოდელმა ჯერ n=1200 პაციენტზე „ისწავლა“, შემდეგ n=1312 პაციენტზე დამოუკიდებლად გადამოწმდა. დაკვირვების მედიანად დასახელდა 4.1 წელი .
მოდელის ეფექტიანობა: AUC-ის შედარება
სვეტი: AUC (0–1) • თხელი ნიშნულები: AI-ის 95% CIრას ნიშნავს ეს განსხვავება „რეალურად“?
AUC-ის 0.78-დან 0.88-მდე ზრდამიანიშნებს, რომ მოდელი „მაღალ და დაბალ რისკს“ უფრო მკაფიოდ არჩევს. პრეზენტაციის მაგალითში განსაზღვრულ ზღვარზე მაღლა მყოფ პაციენტებში 5-წლიანი რეციდივი იყო 25% , დაბალი რისკის ჯგუფში კი 5% . ამ გარჩევამ კლინიკაში განსაკუთრებით შეიძლება იმ დისკუსიაზე იმოქმედოს, ვინ მიიღებს ქიმიოთერაპიით რეალურ სარგებელს .
პრეზენტაციის კლინიკურად ყველაზე „გამოსადეგი“ სიგნალები
• მაღალი რისკის ჯგუფში: HR 3.1 (95% CI: 2.5–3.8)
• 5-წლიანი რეციდივი: 25% (მაღალი) vs 5% (დაბალი)
• ეფექტიანობა კვანძდადებით (+) ქვეჯგუფში: AUC 0.90
• გარე ვალიდაცია (აზიური კოჰორტა, n=300): AUC 0.86
რატომ შეიძლება პათოლოგიამ „თამაშის წესები შეცვალოს“?
პათოლოგიური სლაიდები მხოლოდ „დიაგნოზს“ არ იძლევა; ისინი სიმსივნის ქცევის მინიშნებებსაც შეიცავს: უჯრედების სიმჭიდროვე, ზრდის ნიმუში, სტრომის სტრუქტურა და იმუნური უჯრედების განაწილება. AI გვპირდება ამ ვიზუალური სიგნალების სტანდარტიზებასა და პროგნოზში ჩართვას.
კალიბრაცია და სანდოობა
პრეზენტაციაში მოდელის პროგნოზების „რეალობასთან შესაბამისობისთვის“ (კალიბრაცია) Brier-ის ქულა 0.12 მიუთითეს (დაბალი უკეთესია). აღინიშნა, რომ ეთნიკურ ჯგუფებს შორის ეფექტიანობის სხვაობა შეზღუდული იყო (~2%).
„გვერდითი მოვლენების“ საკითხი: სწორი ჩარჩო
ეს AI მოდელი მკურნალობა არ არის და პირდაპირ გვერდით მოვლენებს არ იწვევს. თუმცა გადაწყვეტილებებზე შესაძლო გავლენის გამო კლინიკაში მთავარი საკითხია რისკის მცდარი კლასიფიცირების ალბათობა (არასაჭირო ინტენსიური ან არასაკმარისი მკურნალობის რისკი). ამიტომ მოდელის შედეგები დამოუკიდებლად კი არა, ექიმის შეფასებასთან ერთად უნდა განიხილებოდეს.
პრაქტიკული გზავნილი
RF5-03 ძლიერ მინიშნებას იძლევა, რომ HR+ ადრეული სტადიის ძუძუს კიბოში „გენომიკის, კლინიკური მონაცემებისა და პათოლოგიის“ გაერთიანებამ შეიძლება რეციდივის პროგნოზი გააუმჯობესოს. სხვადასხვა ცენტრში მსგავსი ვალიდაციების მიღებისას ამ ტიპის AI მოდელებმა შეიძლება ადიუვანტური გადაწყვეტილებები უფრო შერჩევითი და პერსონალიზებული გახადოს.
წყარო (პრეზენტაციის რეზიუმე): Lazar AJ, Lehman CD, და სხვ. “AI-based recurrence prediction model in HR+/HER2− early breast cancer: Prospective validation.” J Clin Oncol. 2025;43(suppl 17):RF5-03.
ეს სტატია სასარგებლო იყო თქვენთვის?
თქვენი გამოხმაურება გვეხმარება შინაარსის გაუმჯობესებაში.
მკითხველთა კომენტარები
გაგვიზიარეთ თქვენი კომენტარი
თქვენი სახელი და კომენტარი მხოლოდ ადმინისტრატორის დამტკიცების შემდეგ გამოქვეყნდება. ელფოსტის მისამართი ვიზიტორებს არასოდეს ეჩვენებათ.
პირველმა დაწერეთ კომენტარი.